【AI详解】De novo molecular design and generative models.

文献信息

一句话小结

本研究回顾了近年来在药物发现中应用机器学习和人工智能的分子设计策略，探讨了不同粗糙度的分子表示方法及其实际应用中的挑战与机遇。研究强调了强基准的重要性，为未来的分子设计提供了新的思路与方向。

在麦伴科研 (maltsci.com) 搜索更多文献

人工智能 · 基于原子的 · 自动化设计 · 从零开始设计 · 基于片段的

摘要

分子设计策略是药物发现领域治疗进展的重要组成部分。在过去三十年中，针对新分子的计算设计方法不断发展，最近，得益于机器学习（ML）和人工智能（AI）方面的进展，药物发现领域获得了实际的经验。在这里，我们回顾这些经验，并根据分子表示的粗糙程度呈现新分子设计的方法：即，分子设计是基于原子、片段还是反应的范式。此外，我们强调强基准的重要性，描述了在实践中使用这些方法的主要挑战，并对未来几年探索的进一步机会和需要解决的挑战提供了观点。

英文摘要

Molecular design strategies are integral to therapeutic progress in drug discovery. Computational approaches for de novo molecular design have been developed over the past three decades and, recently, thanks in part to advances in machine learning (ML) and artificial intelligence (AI), the drug discovery field has gained practical experience. Here, we review these learnings and present de novo approaches according to the coarseness of their molecular representation: that is, whether molecular design is modeled on an atom-based, fragment-based, or reaction-based paradigm. Furthermore, we emphasize the value of strong benchmarks, describe the main challenges to using these methods in practice, and provide a viewpoint on further opportunities for exploration and challenges to be tackled in the upcoming years.

麦伴智能科研服务

主要研究问题

1. 在de novo分子设计中，如何评估不同分子表示方法（原子基础、片段基础和反应基础）的有效性？
2. 机器学习和人工智能在分子设计中的应用有哪些具体案例，能够提高药物发现的效率？
3. 在实践中，使用de novo分子设计方法面临哪些主要挑战，如何克服这些挑战？
4. 强基准在分子设计中的作用是什么，如何建立有效的基准来评估设计方法的性能？
5. 未来的分子设计研究方向有哪些，特别是在与生成模型结合方面的潜在机会？

核心洞察

1. 研究背景和目的

分子设计策略在药物发现中的重要性日益凸显，尤其是在新药研发过程中。过去三十年，计算方法在分子设计领域得到了持续的发展，尤其是近年来，机器学习（ML）和人工智能（AI）的进步推动了药物发现的实践经验积累。因此，本研究旨在回顾这些新方法，并探讨不同的分子表示方法（原子基、片段基和反应基）在分子设计中的应用，以促进药物研发的进展。

2. 主要方法和发现

本研究回顾了不同的分子设计方法，特别关注于它们的表示粗糙度。具体而言，研究分析了以下三种主要的分子设计范式：

• 原子基模型：通过对分子的原子进行详细建模，提供了高精度的设计能力。
• 片段基模型：利用小的分子片段进行组合，能够提高设计的灵活性和创造力。
• 反应基模型：关注分子间的化学反应，能够更好地模拟实际合成过程。

研究还强调了建立强基准的重要性，以便对不同方法的有效性进行评估。同时，讨论了在实际应用这些方法时面临的主要挑战，例如数据质量、模型泛化能力和计算资源限制。

3. 核心结论

研究指出，尽管现有的计算方法在分子设计中展现了良好的潜力，但仍需克服多项挑战，以提高其在实际药物发现中的应用效率。强基准的建立能够为研究者提供明确的评价标准，从而推动新方法的优化和创新。此外，未来的研究应更加关注于提高模型的可解释性和适应性，以应对不断变化的药物研发需求。

4. 研究意义和影响

本研究对药物发现领域具有重要意义，提供了一个全面的视角，帮助科研人员和制药公司理解不同分子设计策略的优缺点。通过强调基准的重要性和面临的挑战，研究为未来的创新提供了方向。随着AI和ML技术的不断进步，基于本研究提出的方法和观点，未来可能会出现更加高效的药物发现流程，从而加速新药的研发进程，提高治疗效果，最终造福患者。

引用本文的文献

1. A Novel Scalarized Scaffold Hopping Algorithm with Graph-Based Variational Autoencoder for Discovery of JAK1 Inhibitors. - Yang Yu;Tingyang Xu;Jiawen Li;Yaping Qiu;Yu Rong;Zhen Gong;Xuemin Cheng;Liming Dong;Wei Liu;Jin Li;Dengfeng Dou;Junzhou Huang - ACS omega (2021)
2. RENATE: A Pseudo-retrosynthetic Tool for Synthetically Accessible de novo Design. - Gian Marco Ghiandoni;Michael J Bodkin;Beining Chen;Dimitar Hristozov;James E A Wallace;James Webster;Valerie J Gillet - Molecular informatics (2022)
3. Computational anti-COVID-19 drug design: progress and challenges. - Jinxian Wang;Ying Zhang;Wenjuan Nie;Yi Luo;Lei Deng - Briefings in bioinformatics (2022)
4. Towards the De Novo Design of HIV-1 Protease Inhibitors Based on Natural Products. - Ana L Chávez-Hernández;K Eurídice Juárez-Mercado;Fernanda I Saldívar-González;José L Medina-Franco - Biomolecules (2021)
5. On the Value of Using 3D Shape and Electrostatic Similarities in Deep Generative Methods. - Giovanni Bolcato;Esther Heid;Jonas Boström - Journal of chemical information and modeling (2022)
6. Natural product drug discovery in the artificial intelligence era. - F I Saldívar-González;V D Aldas-Bulos;J L Medina-Franco;F Plisson - Chemical science (2022)
7. Artificial Intelligence Technologies for COVID-19 De Novo Drug Design. - Giuseppe Floresta;Chiara Zagni;Davide Gentile;Vincenzo Patamia;Antonio Rescifina - International journal of molecular sciences (2022)
8. Software Assisted Multi-Tiered Mass Spectrometry Identification of Compounds in Traditional Chinese Medicine: Dalbergia odorifera as an Example. - Mengyuan Wang;Changliang Yao;Jiayuan Li;Xuemei Wei;Meng Xu;Yong Huang;Quanxi Mei;De-An Guo - Molecules (Basel, Switzerland) (2022)
9. Defining Levels of Automated Chemical Design. - Brian Goldman;Steven Kearnes;Trevor Kramer;Patrick Riley;W Patrick Walters - Journal of medicinal chemistry (2022)
10. Drugsniffer: An Open Source Workflow for Virtually Screening Billions of Molecules for Binding Affinity to Protein Targets. - Vishwesh Venkatraman;Thomas H Colligan;George T Lesica;Daniel R Olson;Jeremiah Gaiser;Conner J Copeland;Travis J Wheeler;Amitava Roy - Frontiers in pharmacology (2022)

… (57 更多 篇文献)

© 2025 MaltSci 麦伴科研 - 我们用人工智能技术重塑科研